通过基本的统计学原理，我们开发了用于瞬变检测、通量测量和任何图像差异假设检验的最佳统计方法。这种方法具有数学上被证明是最佳瞬变检测统计方法的闭合型统计方法，并且对于准确注册、足够采样的图像不会产生减法或去卷积伪影，可以通过提供可信探测显著性使自动瞬变检测达到理论灵敏度极限，并且可以将粒子击中和其他图像伪像与真实瞬变区分开来。

Jan, 2016

本文介绍了中间波罗马短暂工厂的实时图像减法管道，利用高性能计算、高效数据库和机器学习算法，该管道能够在图像拍摄的十分钟内可靠地提供瞬变候选者。我们使用高性能计算资源处理天文大数据的经验，为处理大规模时域设施的数据奠定了基础。

Aug, 2016

使用中红外处理和分析中心（IPAC），加利福尼亚理工学院操作的中型帕洛玛临时工厂（iPTF）的近实时瞬变源发现引擎（IDE），描述了该引擎，包括 PSF 匹配，图像减法，机器学习，引入了误识别、数据存储和团队合作。

Aug, 2016

本文提出了两种基于神经网络的瞬变分类方法，并通过对真实观测数据的测试发现，这两种方法均可以达到超过 94％的分类准确度，但它们对于不同目标具有不同的分类特性。基于这一结果，我们建议使用集成学习方法进一步提高分类准确性至超过 97％。

Apr, 2019

本文提出了使用深度卷积神经网络的新型背景减除系统，通过从数据中训练单个 CNN 来处理各种视频场景的学习，从而避免了特征工程和参数调整，同时提出了一种新的从视频中估计背景模型的方法。经过不同数据集的评估，我们的方法相对于其他算法在不同的评估指标上具有更好的性能，并且由于网络架构，我们的 CNN 能够实时处理。

Feb, 2017

基于机器学习算法，自动发现具有变化的天空中的实体并进行科学分类的框架，适用于 Palomar 短暂工厂（PTF）调查和其他现代综合成像调查，最近一年的自主操作已导致几个重大的科学结果。

Jun, 2011

Deep-HiTS 是一种旋转不变的卷积神经网络 (CNN) 模型，用于将瞬变性候选图像分类为伪目标或真实源，即在高频快照巡天 (HiTS) 中进行实时瞬变事件检测中，CNN 明显优于随机森林 (RF) 模型，可将误差降至一半左右。此外，我们成功将 CNN 应用于天文学领域的事件检测中，这在我们的知识范围内是首次，我们的方法将对下一代望远镜如大型天文快照巡天望远镜 (LSST) 的数据处理具有很大的价值。

Jan, 2017

本文提出了一种名为 PiDiNet 的简单而高效的边缘检测架构，它在 BSDS500、NYUD 和 Multicue 数据集上均表现出了较高的训练和推断效率，通过从零开始的训练，使用不到 1M 个参数，就能在 BSDS500 数据集上达到超过人类感知记录（0.807 对 0.803 的 ODS F-measure），并且具有与最先进技术相当的性能。

Aug, 2021

本文综述了深度学习方法在视频背景减除中的应用，特别是使用深度神经网络作为前景检测和特征学习的方法，分析了这些方法相对于传统的基于多个特征或多个指标策略的非监督学习方法的性能优势，最后通过在 CDnet 2014 数据集上的实验结果证实了这些深度学习方法的可行性和有效性。

Nov, 2018

本文介绍了一种基于无监督浅层卷积神经网络（USCNN）融合方法进行变化检测，通过使用不同大小的卷积核对双时相图像进行多尺度信息提取，将相同尺度的差异特征图通过 1*1 卷积层融合为一个特征图，最后通过 1*1 卷积层融合不同尺度的输出特征，实现图像的多尺度信息融合。实验证明了该方法在四个真实遥感数据集上的可行性和有效性。

Nov, 2023